IntellTech Intelligent Technologies

IntellTech presenta investigación en el Área de Predicción de Series Temporales

Anticipar los acontecimientos futuros ha sido de interés para la humanidad desde los albores de su existencia. En el campo de la Ingeniería Geotécnica esto no es diferente. La anticipación de condiciones inseguras puede permitir a los responsables mitigar riesgos, ya sea realizando obras de ingeniería, mantenimiento preventivo de estructuras o, en casos extremos, evacuando ubicaciones.

En este sentido, muchas ramas de la ciencia buscan construir herramientas que permitan tales anticipaciones, una de ellas es el Análisis de Series Temporales, cuyo uno de los objetivos es el forecasting. En resumen, esta rama de la ciencia consiste en, dada una secuencia de observaciones de una o más variables tomadas a lo largo del tiempo, extraer información relevante de estas series y, en el contexto del forcansting, el objetivo es estimar las observaciones que aun sobran para ser tomadas.

IntellTech se esfuerza por poner a disposición de sus socios lo más preciso y actualizado, incluido el relacionado con el modelo de series de tiempo.  El SHMS ya cuenta con herramientas para la previsión, sin embargo, en busca de la mejora permanente, existe una investigación continua en el área en busca de nuevos modelos y algoritmos con el fin de brindar siempre la información más asertiva posible, a los tomadores de decisiones.

Como parte de esto, en abril, IntellTech participó en un seminario interno en la Universidad EAD más grande de Inglaterra, The Open University, presentando una investigación interna en el Área de Predicción de Series de Tiempo.

La investigación presente por IntellTech consiste en utilizar un método de modelo llamado DBSTAR para predecir series de tiempo y aplicarlo a lecturas de instrumentos y comparar el desempeño predictivo con WARIMAX, que es una familia de modelos estadísticos para modelar datos de series de tiempo, junto con GARCH, que asertivamente predice cómo cambiarán los datos en el futuro, complementando WARIMAX con la generación más precisa.

El modelo DBSTAR crea un conjunto de modelos dinámicos bayesianos autorregresivos con un criterio de transición suave entre ellos. Actualmente, este modelo ha sido aplicado a una serie real de piezometría, validando el asertividad del forecasting generada por este modelo de series de tiempo del mundo real, para su posterior disponibilidad al cliente en el SHMS.